本课程，是更全面介绍深度学习各类神经网络：CNN、RNN、LSTM 及框架：TensorFlow，Keras，Caffe 等的进阶课程。学生在本课程中将进一步学习深度学习的技术、术语和数学原理，理解基础神经网络架构、前馈网络、卷积网络和循环网络结构，认识如何恰当地构建和训练这些模型，了解并解释深度学习的实际应用，并使用“预训练”模型达到最佳结果。同时，配合神经网络训练可视化引擎，以及项目实现代码，让学生更为直观的了解深度学习技术在经典数据集 MNIST，CIFAR-10 上的工作过程。学生在完成本课程后，将能独立完成时装服饰图片分类，电影评论文字分类，房地产价格回归预测，使用循环神经网络实现文[……]
TensorFlow 是由 Google 开发并开源发布的一种流行的机器学习框架及用于数据流编程的框架库。《TensorFlow 深度学习框架 (KXCY-AI-LAB-TF)》课程，通过深度学习交互平台、动画演示教育资源，以及交互式编程实验环境，让学生充分理解如何利用 TensorFlow 构建神经网络模型，神经网络网络构造、内核、池化 (Pooling) 和多级分类等核心概念，线性回归、损失函数和梯度下降等关键技术，用于卷积神经网络 (CNN) 的基本模板，以及可调整的不同参数。并且理解如何利用使用迁移学习（Transfer Learning）充分利用现有网络，即在现有网络之上建立新网络。[……]
本课程，面向初次接触人工智能的学生，利用『AI 情感音乐生成器』工程项目案例，介绍基于AI技术的情感分析电影制作应用程序项目及软件开发工程模型，是一个基于用户自上传图像实现人工智能情感分析并完成音乐创作的WEB服务应用程序，覆盖深度学习与新一代人工智能项目开发全流程，包含23个以上分解实验，提供从数据标注，容器移动开发，图像数据搜索，数据探索，情感分类，数据预处理与增强，卷积神经网络图像识别，模型调优及超参数调整，音乐数据集情感转换，人工智能音乐生成器模型部署等完整“端到端”项目贯穿式学习实验指导。[……]
FPGA 提供一种极低延迟的灵活的架构，该架构在能效解决方案中提供深度学习加速。 学习如何在 CPU 上部署计算机视觉应用程序，然后在 FPGA 上加速深度学习推理。 接着，学习如何掌握该应用程序，并使用 Docker* 容器在使用 Kubernetes* 的集群上跨多节点地扩展该应用程序。本课程结束时，学生将掌握以下方面的实践知识：什么是卷积神经网络以及如何构建卷积神经网络；如何构建深度学习计算机视觉应用程序；从软件开发人员的角度考察，什么是 FPGA，以及为何 FPGA 极其适用于加速实时机器学习应用程序；FPGA 深度学习加速套件的组件；使用深度学习从数据抽提模式的计算机视觉应用程序的构[……]
